LaMAria

LaMAria是一个用于评估多传感器视觉惯性定位与建图（VIO/SLAM）的基准数据集，它记录了在城市环境中使用Project Aria设备采集的大量轨迹数据。该数据集涵盖了独特的挑战，如低光照、曝光变化、移动平台、时变的校准等。数据集包含63个序列，每个序列平均覆盖1.5公里和26分钟，最长的一个达到2.87公里和48分钟。LaMAria数据集提供了基于稀疏控制点的厘米级精确位姿标注，使得能够评估极端轨迹，如夜间步行或乘车。此外，数据集还包含一个难度逐渐增加的测试集，以帮助深入分析和评估不成熟的VIO/SLAM方法。LaMAria is a benchmark dataset for evaluating multi-sensor visual-inertial localization and mapping (VIO/SLAM). It documents a large corpus of trajectory data acquired using Project Aria devices in urban environments. This dataset encompasses unique challenges including low-light conditions, exposure variations, moving platforms, and time-varying calibrations. The dataset comprises 63 sequences, where each sequence covers an average of 1.5 kilometers and 26 minutes of recording, with the longest sequence spanning 2.87 kilometers and 48 minutes. LaMAria provides centimeter-level accurate pose annotations based on sparse control points, enabling the evaluation of extreme trajectories such as nighttime walking or vehicle rides. Additionally, the dataset includes a test set with gradually increasing difficulty to support in-depth analysis and evaluation of immature VIO/SLAM methods.

搜集汇总

数据集介绍

构建方式

LaMAria数据集通过头戴式Project Aria设备在城市尺度环境中采集多模态传感器数据，构建过程涵盖苏黎世市中心1.5平方公里区域，包含63条轨迹总计22小时70公里数据。数据采集结合测绘级控制点标注方法，在483个厘米级精度的控制点部署AprilTag标记，通过多视角三角测量与惯性传感器融合实现位姿标注，同时设计了包含平台控制运动与自然头戴运动的四级难度实验集以支持渐进式算法评估。

特点

该数据集首次在城市尺度环境中集成头戴式设备的独特挑战，包含极端低光照、移动平台（电车/缆车）、室内外过渡曝光变化、时变校准等复杂场景。其多传感器配置包含双灰度全局快门相机、RGB卷帘快门相机及高频IMU单元，轨迹最长可达48分钟2.87公里，并配备厘米级精度的稀疏控制点标注体系，相较于现有数据集在规模、精度与场景多样性方面实现显著突破。

使用方法

研究者可通过稀疏对齐方法将算法输出轨迹与控制点进行相似变换优化，利用分段线性评分函数评估位姿精度。数据集支持单目、视觉惯性及多相机惯性等多种传感器配置的评测，提供原始数据、工厂校准参数及伪稠密位姿真值。额外设计的四级难度实验集可用于分析算法在受控运动到自然头戴运动过渡中的退化现象，并为移动平台等特殊场景提供惯性单独优化验证方案。

背景与挑战

背景概述

LaMAria数据集由苏黎世联邦理工学院联合Meta Reality Labs Research等机构于2025年提出，旨在解决可穿戴设备在城市场景下的视觉-惯性SLAM基准测试问题。该数据集通过Project Aria眼镜设备采集了超过70公里的自我中心视角数据，覆盖室内外环境、低光照、移动平台等复杂条件。其创新性在于利用测绘级控制点实现了厘米级精度的位姿标注，填补了现有数据集中在自我中心视角数据精度与规模上的空白，为增强现实与人工智能助手等应用提供了关键支撑。

当前挑战

该数据集针对自我中心视角SLAM的核心挑战包括：动态环境中视觉-惯性数据的不一致性、长时间序列的传感器标定漂移、低光照条件下的特征提取困难。构建过程中需克服城市场景测绘的复杂性，包括控制点的稀疏分布与多传感器数据同步问题，同时需平衡隐私保护与数据可用性，通过自动化标记检测与模糊处理确保数据合规性。

常用场景

经典使用场景

在视觉惯性SLAM研究领域，LaMAria数据集凭借其城市尺度的第一人称视角数据，成为评估多传感器融合算法的关键基准。该数据集通过头戴式设备采集了长达数小时的轨迹数据，覆盖室内外环境转换、低光照条件以及移动平台等复杂场景，为研究社区提供了前所未有的测试平台。其厘米级精度的控制点标注使得算法在极端运动模式下的性能评估成为可能，尤其适用于分析视觉与惯性约束在动态环境中的一致性表现。

衍生相关工作

基于LaMAria数据集的特有标注体系，学术界衍生出多项针对多传感器SLAM的改进工作。例如在在线校准优化方向，研究者开发了适应长时间运行的参数自适应方法；针对移动平台场景，提出了视觉-惯性约束解耦的新型优化框架。该数据集还促进了基于学习的特征匹配与动态环境处理技术的融合，推动ORB-SLAM3、OpenVINS等开源系统在长序列鲁棒性方面的持续迭代，为穿戴式设备的实时定位技术开辟了新路径。

数据集最近研究

最新研究方向

在可穿戴计算与增强现实领域，LaMAria数据集作为首个城市尺度的自我中心视觉-惯性SLAM基准，正推动多传感器融合算法的革新。前沿研究聚焦于应对极端低光照、动态移动平台及长时间序列校准变化等挑战，通过厘米级精度的控制点标注，为学术界提供了评估算法鲁棒性的可靠平台。当前热点集中于在线时变校准优化、闭环检测与惯性束调整等方向，旨在提升算法在无约束自我中心场景下的定位精度与稳定性，为下一代全天候可穿戴设备的感知技术奠定基础。

相关研究论文

• Benchmarking Egocentric Visual-Inertial SLAM at City Scale

  ETH Zurich, Google, Meta Reality Labs Research, Microsoft Spatial AI Lab · 2025年